Τυπική διαδικασία μοντελοποίησης:
Σε μια τυπική διαδικασία μοντελοποίησης, είναι σημαντικό να αρχίσετε να σχεδιάζετε μια υπόθεση. Λαμβάνεται ένα RFP (Αίτηση για Πρόταση) και στη συνέχεια σχεδιάζεται μια Υπόθεση.
- Προσδιορίστε τη σωστή πηγή δεδομένων - Εδώ, ο πελάτης μπορεί να δώσει πηγή δεδομένων, εάν όχι, πρέπει να αναζητήσουμε μια πηγή δεδομένων. Λαμβάνοντας υπόψη ένα σενάριο, όπου προσπαθούμε να αξιολογήσουμε ποιος θα κερδίσει τις εκλογές, γίνεται μια δημόσια ανάλυση δεδομένων με πηγές που περιλαμβάνουν κοινωνικά μέσα, κανάλια ειδήσεων ή κοινή γνώμη. Πρέπει επίσης να κατανοήσουμε τον όγκο των δεδομένων που απαιτούνται για την ανάλυση του προβλήματος. Σε αυτήν την περίπτωση, συνήθως αναζητούμε μεγάλα δείγματα, καθώς πρόκειται για εκλογική υπόθεση. Από την άλλη πλευρά, εάν η ανάλυση γίνεται στην υγειονομική περίθαλψη, είναι δύσκολο να αναζητηθεί ένας μεγάλος πληθυσμός, επειδή υπάρχει η πιθανότητα να μην δοθούν αρκετοί άνθρωποι για να επικυρώσουν την υπόθεση. Επίσης, η ποιότητα των δεδομένων είναι πολύ σημαντική.
- Εξαγωγή δεδομένων - Για παράδειγμα, εάν λάβουμε δείγμα πληθυσμού, μπορούμε να δούμε χαρακτηριστικά, όπως υψηλό εισόδημα, χαμηλό εισόδημα, ηλικία, εργαζόμενος πληθυσμός (εκτός τόπου / επί τόπου), κάτοικοι, NRI, κάλυψη νοσοκομείων κ.λπ., για να ξεκινήσουμε τη μελέτη . Εδώ, ενδέχεται να μην χρειαζόμαστε τόσα πολλά χαρακτηριστικά για την υπόθεση. Κατανοούμε ότι χαρακτηριστικά, όπως το υψηλό και το χαμηλό εισόδημα μπορεί να μην είναι οι παράγοντες που συμβάλλουν στον καθορισμό του ποιος θα κερδίσει τις εκλογές. Αλλά η ηλικία μπορεί να κάνει τη διαφορά, καθώς θα δώσει μια άμεση μέτρηση του αριθμού των ατόμων που θα ψηφίσουν. Πολλές φορές ενδέχεται να εξαιρέσουμε λιγότερο χρησιμοποιημένα χαρακτηριστικά ή να συμπεριλάβουμε χαρακτηριστικά που είναι χρήσιμα. Θα μπορούσε να πάει στραβά και στις δύο περιπτώσεις. Αυτός είναι ο λόγος για τον οποίο η ανάλυση είναι μια πρόκληση.
- Κάντε μασάζ στα δεδομένα για να ταιριάζει στο Εργαλείο - Αυτό συμβαίνει επειδή δεν μπορούν όλα τα εργαλεία να δεχτούν όλα τα δεδομένα. Ορισμένα εργαλεία δέχονται μόνο δεδομένα CSV ή υπερέχουν δεδομένα. Η έλλειψη εργαλείων είναι μια πρόκληση.
- Εκτελέστε την ανάλυση - Αυτή η λειτουργία μπορεί να πραγματοποιηθεί χρησιμοποιώντας πολλές τεχνικές ανάλυσης.
- Βγαζω συμπερασματα - Η ανάλυση δίνει ακριβείς αριθμούς. Αλλά εναπόκειται στον χρήστη να εξαγάγει συμπεράσματα από αυτούς τους αριθμούς. Για παράδειγμα, αν λέει 10% ή 20%, πρέπει να καταλάβουμε τι σημαίνει; Προέρχεται η συσχέτιση μεταξύ του χαρακτηριστικού A και του χαρακτηριστικού B;
- Εφαρμογή αποτελεσμάτων - Είναι σημαντικό να εφαρμόσετε συμπεράσματα για να δείτε αποτελέσματα στην επιχείρηση. Για παράδειγμα, μπορεί να συναχθεί το συμπέρασμα ότι «Οι άνθρωποι αγοράζουν ομπρέλα σε περίοδο βροχών» που μπορεί να οδηγήσει σε περισσότερες επιχειρήσεις. Εδώ, πρέπει να εφαρμόσουμε το συμπέρασμα όπου κάνουμε ομπρέλα, διαθέσιμη σε καταστήματα, αλλά τότε μπορεί να έχει προβλήματα διαχείρισης. Η στατιστική στιγμή δίνει το αποτέλεσμα, η εφαρμογή μπορεί να πάει στραβά.
- Παρακολούθηση προόδου - Το τελευταίο βήμα εδώ, η παρακολούθηση παίζει σημαντικό ρόλο. Η παρακολούθηση μπορεί να πάει στραβά επειδή δεν θέλουν πολλοί οργανισμοί να παρακολουθούν την πρόοδο και θεωρείται ως αμελητέο βήμα. Όμως η παρακολούθηση είναι σημαντική καθώς μπορούμε να καταλάβουμε εάν η έρευνα και τα συμπεράσματά μας κατευθύνονται προς τη σωστή κατεύθυνση.
Δείτε επίσης αυτό το άρθρο' Η συσχέτιση δεν σημαίνει Αιτία 'που δίνει μια εικόνα για το πώς οι αναλυτές μπορούν να πάνε στραβά. Ένα σημαντικό σημείο που πρέπει να σημειωθεί σε αυτό το γράφημα είναι ότι η ανάλυση ανάλυσης είναι το μόνο βήμα όπου το μηχάνημα είναι υπεύθυνο και πέρα από αυτό εξαρτάται από έναν άνθρωπο που τελικά θα καθορίσει πώς γίνεται η έρευνα.
Έχετε μια ερώτηση για εμάς; Αναφέρετέ τα στην ενότητα σχολίων και θα επικοινωνήσουμε μαζί σας.
python μετατρέψτε τον αριθμό σε δυαδικό
Σχετικές αναρτήσεις: